基于信息熵的FCM聚类算法

针对模糊聚类存在的数据收缩问题的不足,提出了一种改进现有模糊聚类算法的方法,并进行仿真实验研究.模糊C-均值(FCM)算法主要通过目标函数的迭代优化来实现集合划分,以信息熵作为模糊C-均值算法的约束条件,给出改进算法的推导过程,得出改进后的模糊C-均值算法的隶属度和聚类中心,实现了模糊C-均值的改进算法.实验结果可以表明,改进的模糊C-均值算法是有效的,能够表现出比模糊C-均值算法更好的性能,在实际应用中可以取得较好的聚类效果.     

利用FCM求解最佳聚类数的算法

利用FCM求解最佳聚类数的算法中,每次应用FCM算法都要重新初始化类中心,而FCM算法对初始类中心敏感,这样使得利用FCM求解最佳聚类数的算法很不稳定。对该算法进行了改进,提出了一个合并函数,使得（c－1）类的类中心依赖于类的类中心。仿真实验表明：新的算法稳定性好,且运算速度明显比旧的算法要快。     

基于划分模糊度的聚类有效性函数

模糊C-均值(FCM)聚类算法是目前最流行的数据集模糊划分方法之一.但是,有关聚类类别数的合理选择和确定,即聚类有效性分析,对FCM算法而言仍是一个开放性问题.为此,本文结合数据集的几何结构信息和FCM算法的模糊划分信息,重新定义了划分矩阵,进而利用划分模糊度提出了一种新的模糊聚类有效性函数.实验结果表明该方法是有效的且具有良好的鲁棒性.     

一种基于模糊度的聚类有效性函数

根据模糊集理论,结合模糊C-均值聚类算法的约束条件,提出聚类模糊集概念,定义聚类模糊度.通过深入分析聚类模糊集的模糊度和贴近度在聚类评价中的作用,设计出一种模糊聚类有效性函数,并给出应用该函数实现模糊C-均值聚类有效性判定的具体步骤.实验结果表明,本文提出的聚类有效性函数是合理的.     

一个新的模糊聚类有效性指标

提出一个新的模糊聚类有效性指标。该指标能确定由模糊C-均值算法(FCM)所得模糊划分的最优划分和最优聚类数,结合了模糊聚类的紧致性和分离性信息,用类内加权平方误差和计算紧致性,用类间相似度计算分离性。在3个人造数据集和3个真实数据集上进行对比实验,结果证明该指标的性能优于其他有效性指标。     

一种新的模糊聚类有效性指标

结合模糊聚类的类内紧致性和类间分离性信息,提出一种新的模糊聚类有效性指标。该指标能够确定由模糊C-均值算法（FCM）所得模糊划分的最优划分和最佳聚类数。在1个人造数据集和4个真实数据集上进行对比实验,结果表明该指标性能的优越性。     

点密度函数加权模糊C-均值算法的聚类分析

基于模糊C-均值算法具有对数据集进行等划分趋势的缺陷,文章利用数据点的密度大小作为权值,借助数据本身的分布特性,提出了一种新的加权模糊C-均值算法,该方法不仅在一定程度上克服了模糊C-均值算法的缺陷,而且具有良好的收敛性。     

基于加权模糊c均值聚类的快速图像自动分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合，是图像处理和计算机视觉的基本问题之一。为了提高图像分割的效率，提出了一种基于2维直方图加权的塔形模糊c均值（FCM）聚类图像快速分割算法。该方法先通过构造合理的2维直方图对噪声进行抑制；然后通过塔形分解来缩减聚类样本集；最后利用加权FCM聚类算法进行分类。仿真结果表明，该方法的效率明显优于标准的FCM算法。此外，为确定分割的最优类别数c，还引入了一种基于该快速算法的聚类有效性评价函数——修正划分模糊度，实现了最佳图像分割类别数c的自动确定。基于人造图像和实际图像的测试实验结果表明该方法是有效的。     

基于密度函数加权的模糊C均值聚类算法研究

模糊聚类算法具有较强的实用性,但传统模糊C均值算法（FCM）具有对样本集进行等划分趋势的缺陷,没有考虑不同样本的实际分布对聚类效果的影响,当数据集中各样本密集程度相差较大时,聚类结果不是很理想。因此,提出一种基于密度函数加权的模糊C均值聚类算法（DFCM算法）,该算法利用数据对象的密度函数作为每个数据点权值。实验结果表明,与传统的模糊C均值算法相比,DFCM算法具有较好的聚类效果。     

基于特征加权的自适应FCM彩色图像分割算法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容.基于模糊C均值聚类(FCM)的图像分割是应用较为广泛的方法之一,但其存在需预先给出初始聚类数目,且要考虑各个特征对分类的不同影响等问题.通过引入ReliefF技术进行特征加权,结合聚类有效性指数自适应确定初始聚类数目、根据Laws纹理测度提取图像特征等措施,提出了一种新的FCM彩色图像分割算法.实验结果表明,该算法可以有效地提高图像分割效果,分割结果优于现有FCM图像分割方案.     

改进的模糊C-均值聚类有效性指标

针对模糊C-均值的现有评价指标没有涉及到数据集的真实几何分布结构和先验信息的问题,为了能准确找到与数据样本自然分布相匹配的簇,提出了一种改进的有效性评价指标VCSC。该指标结合簇内数据平方误差和、隶属度权值及根号权值定义紧凑性度量,结合簇中心距离最小值、隶属度及各簇中心到平均簇中心的距离和定义分离度,结合隶属度范围及样本分布情况定义结合度量。实验结果表明,所提出的指标能够有效地对聚类结果进行评估,能够准确得出数据中最佳的聚类数目。     

基于模糊C均值聚类的环境感知推荐算法

针对现有环境感知推荐算法存在的不足,提出一种基于模糊C均值聚类的环境感知推荐算法.首先采用模糊C均值聚类算法对历史环境信息进行聚类,产生聚类及隶属矩阵;然后匹配活动用户环境信息与历史环境信息聚类,采用聚类隶属度作为映射系数将符合条件的非隶属数据映射为隶属数据,最终选择与活动环境匹配的隶属用户评分数据为用户产生推荐.同现有算法相比,该算法不仅解决了因用户环境改变不能准确推荐项目的问题,而且通过采用模糊聚类算法克服了传统硬聚类问题,并且借助于隶属映射函数解决了聚类产生的数据稀疏性问题.在MovieLens数据集上比较了新算法和其他算法的性能,验证了所提算法的有效性.     

基于模糊C均值聚类的环境感知推荐算法

针对现有环境感知推荐算法存在的不足,提出一种基于模糊C均值聚类的环境感知推荐算法.首先采用模糊C均值聚类算法对历史环境信息进行聚类,产生聚类及隶属矩阵;然后匹配活动用户环境信息与历史环境信息聚类,采用聚类隶属度作为映射系数将符合条件的非隶属数据映射为隶属数据,最终选择与活动环境匹配的隶属用户评分数据为用户产生推荐.同现有算法相比,该算法不仅解决了因用户环境改变不能准确推荐项目的问题,而且通过采用模糊聚类算法克服了传统硬聚类问题,并且借助于隶属映射函数解决了聚类产生的数据稀疏性问题.在MovieLens数据集上比较了新算法和其他算法的性能,验证了所提算法的有效性.     

基于GFCMA算法的医学彩色图像分割

医学图像分割是医学图像分析的关键步骤,经典的模糊C-均值聚类算法(FCM)是常用方法,但其依赖于初始聚类中心的选择,通常存在局部收敛的缺陷。通过与遗传算法(GA)结合而成的遗传模糊C-均值聚类算法(GFCMA),采用RGB颜色空间,能够得到全局最优解,并在此基础上实现了医学彩色图像分割和特定目标提取,取得良好分割效果。     

一种基于密度的加权模糊均值聚类算法

针对当数据集合中的数据属性差异不明显时,传统的均值聚类算法会收敛到局部最小值点,造成算法聚类结果不准、精度下降的问题,提出了一种基于密度的加权模糊均值聚类算法。该算法通过计算差异属性类中的相关密度,运用密度作为确定初始类中心的方法,得到了聚类效果更好的初始值。之后用加权模糊算法克服类划分中数据属性差异不明显带来的弊端,对类中差异属性进行归类划分。实验结果表明,该算法依然可以区分出不同属性的重要程度,而且其稳定性和聚类效果都有一定的提高。     

一种基于用户需求的加权模糊聚类分析算法

从用户的实际需求出发,分析了聚类系统的使用者可能对系统提出的功能要求,提出了一种基于加权Eucfid距离的模糊C聚类分析算法。在该算法中,权值是由用户或领域的专家直接指定的,加在不同特征指标上的权值体现了用户对各个特征指标重视程度的差别。与传统的模糊C聚类分析相比,该算法增加了聚类的灵活性,能够产生令用户更加满意的聚类结果。     

基于ELM的局部空间信息的模糊C均值聚类图像分割算法

极限学习机（Extreme learning machine, ELM）作为一种新技术具有在回归和分类中良好的泛化性能。局部空间信息的模糊C均值算法(Weighted fuzzy local information C-means, WFLICM)用邻域像素点的空间信息标记中心点的影响因子,增强了模糊C均值聚类算法的去噪声能力。基于极限学习机理论,对WFLICM进行改进优化,提出了基于ELM的局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means based on ELM,ELM-NKWFLICM)。该方法基于ELM特征映射技术,将原始数据通过ELM特征映射技术映射到高维ELM隐空间中,再用改进的新核局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means,NKWFLICM)进行聚类。 实验结果表明 ELM-NKWFLICM算法具有比WFLICM算法更强的去噪声能力,且很好地保留了原图像的细节,算法在处理复杂非线性数据时更高效, 同时克服了模糊聚类算法对模糊指数的敏感性问题。     

关于模糊C-均值（FCM）聚类算法的改进

针对模糊C-均值（FCM）聚类算法的容易收敛于局部极值的不足,提出了一种改进的模糊FCM聚类算法,此新算法在聚类中心选取和优化过程中进行了充分的考虑,是一种用于确定最佳聚类数的聚类算法,并且利用了分阶段思想,结合动态直接聚类算法和标准聚类算法,来尽量避免模糊C-均值（FCM）聚类算法的不足。新算法与传统（FCM）聚类算法方法相比,提高了算法的寻优能力,并且迭代次数更少,在准确度上也有较大的提高,具有很好的实际应用价值。